Show simple item record

Deep-Learning vs Classical Machine-Learning comparison for text classification

dc.contributor.advisorTriantafyllou, Ioannis
dc.contributor.authorΔρίζης, Ιωάννης
dc.date.accessioned2022-07-18T06:36:59Z
dc.date.available2022-07-18T06:36:59Z
dc.date.issued2022-07-08
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/2515
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-2355
dc.description.abstractThe Classical Machine Learning and Deep Learning models are used to provide solutions in everyday technologies, like weather prediction, stock price prediction, voice-to-text conversion, fraud detection, quality assurance, etc. These implementations are only a part of a broad range of applications where these algorithms can offer unique services. In this dissertation, Classical Machine Learning models will be compared with Deep Learning Neural Network models, within the frame of Text Classification. This comparison will be done by using three different feature selection metrics, namely tf.idf, chi square (x2) and devmax.tf. Also, different Neural Network Deep Learning architectures are tested and compared between them, as well as different parameters (input vector size, topology architecture, etc.), which are applied in Neural Networks.el
dc.format.extent63el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectMachine learningel
dc.subjectDeep learningel
dc.subjectText preprocessingel
dc.subjectText classificationel
dc.subjectDevmax.dfel
dc.subjectΜηχανική μάθησηel
dc.subjectΒαθιά μηχανική μάθησηel
dc.subjectΠροεπεξεργασία κειμένωνel
dc.subjectΚατηγοριοποίηση κειμένωνel
dc.titleDeep-Learning vs Classical Machine-Learning comparison for text classificationel
dc.title.alternativeΣύγκριση Βαθιάς μάθησης και Μηχανικής μάθησης για την κατηγοριοποίηση κειμένωνel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeKouis, Dimitris
dc.contributor.committeeKapidakis, Sarantos
dc.contributor.facultyΣχολή Διοικητικών, Οικονομικών & Κοινωνικών Επιστημώνel
dc.contributor.departmentΤμήμα Αρχειονομίας, Βιβλιοθηκονομίας και Συστημάτων Πληροφόρησηςel
dc.contributor.masterΔιαχείριση Πληροφοριών σε Βιβλιοθήκες, Αρχεία, Μουσείαel
dc.description.abstracttranslatedΗ Μηχανική Μάθηση και η Βαθιά Μάθηση, εφαρμόζονται σε τεχνολογίες καθημερινής χρήσης, όπως οι μετεωρολογικές προβλέψεις, η πρόβλεψη της τιμής μιας μετοχής, η μετατροπή ήχου σε κείμενο, η αναγνώριση απάτης, η διασφάλιση ποιότητας, κλπ. Αυτές οι εφαρμογές αποτελούν μονάχα ένα μικρό κομμάτι από το τεράστιο εύρος, όπου εφαρμόζονται μοντέλα Μηχανικής Μάθησης και Βαθιάς Μάθησης. Σε αυτή την πτυχιακή, θα συγκριθούν κλασσικά μοντέλα Μηχανικής Μάθησης με μοντέλα Βαθιάς Μηχανικής Μάθησης, μέσα στο πλαίσιο της Κατηγοριοποίησης Κειμένου. Η σύγκριση θα λάβει χώρα με τη χρήση τριών διαφορετικών μετρικών εξαγωγής χαρακτηριστικών: την tf.idf, χ τετράγωνο (χ2) και devmax.df. Επιπλέον, θα εξεταστούν και θα συγκριθούν διαφορετικές αρχιτεκτονικές Νευρωνικών Δικτύων Βαθιάς Μάθησης, όπως επίσης και διαφορετικές παραμέτρους (μέγεθος διανύσματος εισαγωγής, αρχιτεκτονική τοπολογίας, κλπ.), οι οποίες εφαρμόζονται σε Νευρωνικά Δίκτυα.el


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές